Tropische Trockenwälder spielen eine entscheidende Rolle, sowohl als wirksame globale Kohlenstoffsenke als auch als Lebensgrundlage, für eine Vielzahl lokaler Gemeinschaften.
Die genaue Kartierung von Miombo-Wäldern in definierbare Klassen ist jedoch aufgrund ihrer spärlichen und heterogenen Beschaffenheit und ihrer Veränderung durch anthropogene Einflüsse eine große Herausforderung.
Die Studie untersuchte die Verwendung von saisonalen und multisaisonalen Sentinel (S-1) und Sentinel-2 (S-2) Satellitenbildern für (i) die Kartierung der Landnutzung und Landbedeckung (LULC), und (ii) die Kartierung von drei spezifischen Waldklassen (Referenz-, degradierte und wiederaufgeforstete Wälder) innerhalb der Miombo-Wälder in Sambia.
Die Modelle wurden anhand von in situ Validierungsdaten aus dem LaForeT-Projekt trainiert, validiert und getestet. Für die LULC-Klassifizierung wurde der Random-Forest-Algorithmus in Google Earth Engine ausgewählt, während ein U-Net-Convolutional-Neural-Network (CNN) zur Klassifizierung der verschiedenen Waldtypen verwendet wurde.
Der hierarchische Ansatz erwies sich als effektiv und lieferte differenziertere Informationen über die Waldfunktionen, die für Kartierungs- und Überwachungsprogramme der Miombo-Wälder in Subsahara-Afrika vielversprechend sind.
Kanja K, Zhang C, Lippe M, Atkinson PM (2025) Mapping tropical dry Miombo woodlands into functional forest classes using Sentinel-1 and Sentinel-2 imagery and machine learning. Remote Sens Appl Soc Environ 38:101615, DOI:10.1016/j.rsase.2025.101615
https://literatur.thuenen.de/digbib_extern/dn069940.pdfProjektseite
LaForeT | Nachhaltige Tropenwaldbewirtschaftung im Landschaftskontext: REDD+ und Restauration
